Digitalización y reconocimiento de documentos manuscritos para la preservación de patrimonio cultural

Abstract

El proceso de reconocimiento de la escritura manuscrita forma parte de las iniciativas que propenden a la preservación de patrimonio cultural resguardado en Bibliotecas y archivos donde existe una gran riqueza de documentos y hasta fichas manuscritas que acompañan libros incunables. Este trabajo es el punto de partida de un proyecto de investigación y desarrollo orientado a la digitalización y reconocimiento de material manuscrito y la ponencia que aquí se presenta discute diferentes algoritmos utilizados en una primera etapa dedicada a "limpiar" la imagen de ruido para mejorarla antes de comenzar el reconocimiento de caracteres. Dado que PrEBi-SeDiCI forman parte integrante de redes de bibliotecas que intercambian documentos digitalizados vía scanning, el presente desarrollo ha tenido una utilización adicional relacionada al mejoramiento de las imágenes de documentos de intercambio que presentaban problemas comunes en la digitalización: bordes, impurezas, descentrado, etc.., si bien no es esta la finalidad de esta investigación no por ello resulta una utilidad menor en el marco de intercambios de consorcios de bibliotecas. Para que el proceso de digitalización y reconocimiento de textos manuscritos sea eficiente debe estar precedido de una etapa de "preprocesamiento" de la imagen a tratar que incluye umbralización, limpieza de ruido, adelgazamiento, enderezamiento de la línea base y segmentación de la imagen entre otros. Cada uno de estos pasos permitirá reducir la variabilidad nociva al momento de reconocer los textos manuscritos (ruido, niveles aleatorios de grises, inclinación de caracteres, zonas con más y menos tinta), aumentando así la probabilidad de reconocer adecuadamente los textos. En este trabajo se consideran dos métodos de adelgazamiento de imágenes, se realiza la implementación y finalmente se lleva adelante una evaluación obteniendo conclusiones relativas a la eficiencia, velocidad y requerimientos, así como también ideas para futuras implementaciones. En la primera parte del documento, se presentan algunas definiciones relacionadas con los métodos utilizados, luego se muestran los resultados obtenidos sobre un mismo conjunto de imágenes aplicando las teorías propuestas y finalmente, se exponen algunas ideas para optimizar los algoritmos elegidos.

The handwritten manusctipt recognizing process belongs to the iniciatives which lean to cultural patrimony preservation shielded in Libraries and files where there exists a big wealth in documents and even handritten cards that accompany incunable books. This work is point to begin with a research and development proyect oriented to digitalization and recognition of manuscipt materials and the paper presented here discuss diferent algorithms used in the first stage dedicated to "noise-clean" of the image in order to improve it before the character recognition process begins. Since PrEBi-SeDiCI belong to a network of libraries that interchange digitalized documents by scanning, this document has brought up an extra use related to improvement of the images of interchange documents which presented common problems in its digitalization, such as: borders, impurity, not-centered texts, etc... Although it is not the final purpose of this research, it is still a very usefull skill within the framework of libraries consortium interchange. In order to make the handwritten-text recognition and image digitalization process eficient, it must be preceded by a preprocessing stage of the image to be trated which includes thresholding, noise cleaning, thinning, base-line alignment and image segmentation, among others. Each one of these steps will allow to reduce the injurious variability when recognizing manuscripts texts (noise, random gray levels, slanted chacarters, ink level in different zones), and so increasing the probability of obtaining a suitable text recognition. In this paper, two image thinning methods are considered, implemented and finally an evaluation is carried out obtaining many conclusions related to eficience, speed and requirements, as well as ideas for future implementations. In the first part of the document, some definitions are presented related to the used methods, then the obtenied results are shown over the same set of images applying the proposed theories and finally, some ideas about how to optimized the chosen algorithms are exposed.